CN111967256B - 事件关系的生成方法、装置、电子设备和存储介质 - Google Patents

事件关系的生成方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111967256B
CN111967256B CN202010616899.5A CN202010616899A CN111967256B CN 111967256 B CN111967256 B CN 111967256B CN 202010616899 A CN202010616899 A CN 202010616899A CN 111967256 B CN111967256 B CN 111967256B
Authority
CN
China
Prior art keywords
event
vector
word sequence
granularity
statement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010616899.5A
Other languages
English (en)
Other versions
CN111967256A (zh
Inventor
钟尚儒
陈玉光
彭卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010616899.5A priority Critical patent/CN111967256B/zh
Publication of CN111967256A publication Critical patent/CN111967256A/zh
Priority to US17/105,707 priority patent/US11573992B2/en
Priority to EP20211583.8A priority patent/EP3933659A1/en
Priority to KR1020200182992A priority patent/KR20220002050A/ko
Priority to JP2020217633A priority patent/JP7264866B2/ja
Application granted granted Critical
Publication of CN111967256B publication Critical patent/CN111967256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/253—Grammatical analysis; Style critique
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了事件关系的生成方法、装置、电子设备和存储介质，涉及知识图谱、自然语言处理和深度学习技术领域。具体实现方案为：获取第一事件语句和第二事件语句，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量，根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系。本申请中基于不同粒度的词序列向量确定的事件语句的融合向量，包含较为泛化的事件的特征，从而提高了事件间事件关系确定的准确性和泛化性。

Description

事件关系的生成方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，主要涉及知识图谱、自然语言处理和深度学习技术领域，具体涉及事件关系的生成方法、装置、电子设备和存储介质。
背景技术
事件是在特定的时空下，由一个或多个角色(事件主体)参与，并围绕某个主题开展的一系列活动。事件和事件间存在关系，例如，因果关系。事件之间的因果关系，能从逻辑或相关性上刻画事件的演变规律。事件之间的因果关系可以归纳出事理演变规律，基于事理演变规律可以进行相关推理，这可以在金融、风控等预测场景发挥重要的应用价值。
因此，如何准确确定事件之间的关系，是亟待解决的技术问题。
发明内容
本申请提供了一种用于事件关系的生成方法、装置、电子设备和存储介质，提高了事件间事件关系确定的准确性和泛化性。
根据本申请的一方面，提供了一种事件关系的生成方法，该方法包括：
获取事件对，其中，所述事件对包括第一事件语句和第二事件语句；
根据所述第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据所述第二事件语句生成第三粒度词序列向量和第四粒度词序列向量；
根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，并根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量；以及
根据所述第一融合向量和所述第二融合向量生成所述第一事件和所述第二事件之间的事件关系。
根据本申请的另一方面，提供了一种事件关系的生成装置，包括：
获取模块，用于获取事件对，其中，所述事件对包括第一事件语句和第二事件语句；
第一生成模块，用于根据所述第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据所述第二事件语句生成第三粒度词序列向量和第四粒度词序列向量；
第二生成模块，用于根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，并根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量；
确定模块，用于根据所述第一融合向量和所述第二融合向量确定所述第一事件和所述第二事件之间的事件关系。
根据本申请的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的事件关系的生成方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的事件关系的生成方法。
本申请实施例所提供的技术方案可以包含如下的有益效果：
获取事件对，其中，事件对包括第一事件语句和第二事件语句，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量，以及根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系，本申请中针对事件语句，基于不同粒度的词序列向量，确定事件语句对应的融合向量，使得融合向量中包含较为泛化的事件的特征，以提高事件间事件关系确定的准确性和泛化性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例所提供的一种事件关系的生成方法的流程示意图；
图2为本申请实施例提供的另一种事件关系的生成方法的流程示意图；
图3为本申请实施例提供的又一种事件关系的生成方法的流程示意图；
图4为本申请实施例的事件关系图的示意图；
图5为本申请实施例提供的一种事件关系的生成装置的结构示意图；以及
图6是本申请实施例的事件关系的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的事件关系的生成方法、装置、电子设备和存储介质。
图1为本申请实施例所提供的一种事件关系的生成方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取事件对，其中，事件对包括第一事件语句和第二事件语句。
其中，事件对，即为待确定事件之间事件关系的事件对。为了便于区分，称为第一事件语句和第二事件语句。
例如，第一事件语句为“今日某XX开始制裁某YY”，第二事件语句为“M区某材料价格飙升”；或者第一事件语句为“今日某XX开始制裁某YY”，第二事件语句为“某YY混血美女获得环球小姐冠军”。
步骤102，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量。
其中，第一粒度和第二粒度不同，第一粒度词序列向量中包含的是字符的向量，包含了了每个字符的语义，第二粒度词序列向量中包含的是完整的事件语义上的表达。
作为一种可能的实现方式，第一粒度对第一事件语句切词得到的多个词语的词粒度，从而根据多个词语得到第一事件语句的第一粒度词序列，第二粒度为对第一事件语句按照事件论元进行事件提取得到的论元粒度，基于论元粒度生成第一事件语句的第二粒度词序列。
例如，第一事件语句为：近日某XX开始制裁某YY。
第一粒度词序列：近日，某XX，开始，制裁，某YY；
第二粒度词序列：事件主体：某XX，触发词：制裁。
进而，将第一事件语句的第一粒度词序列和第二粒度词序列转化为对应的第一粒度词序列向量和第二粒度词序列向量，以第一粒度词序列向量为例进行说明。在本申请的一个实施例中，可以采用词向量模型Word Embedding，例如，通过word2vec模型，将第一粒度词序列中的每一个词语转化为预设维度的词向量，进而根据每一个词语的词向量累加生成第一粒度词序列向量，也就是说第一粒度词序列向量中包含的是每一个词语的词向量。
作为另一种可能的实现方式，也可以采用训练得到的深度神经网络模型，生成各词语的词向量，例如，语义表示模型（Enhanced Representation from knowledgeIntegration），而根据语义表示模型生成的词向量中可以包含词的语义信息和上下文信息，可提高后续进行事件关系确定时的准确性。进而，根据每个词语的词向量累加生成第一粒度词序列向量。
同理，可生成第二粒度词序列向量，原理相同，此处不再赘述。
而第三粒度和第四粒度也是不同的，在本申请的一个实施例中，第三粒度和第四粒度是与第一粒度和第二粒度相对应的两种粒度，具体可以参照第一粒度和第二粒度的说明，生成对应的第三粒度词序列向量和第四粒度词序列向量，原理相同，此处不再赘述。
步骤103，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量。
本实施例中，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，实现了针对第一事件语句，基于不同粒度的词序列向量，确定第一事件语句对应的第一融合向量，使得第一融合向量中携带更多的信息，同时包含较为泛化的事件的特征。同理，第二事件语句，也基于不同粒度的词序列向量，以确定第二事件语句对应的第二融合向量，使得第二融合向量中携带更多的信息，同时包含较为泛化的事件的特征，可提高事件间事件关系确定的准确性和泛化性。
步骤104，根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系。
其中，事件关系，包含因果关系、递进关系和转折关系等，本实施例中不进行限定。
在本申请的一个实施例中，可通过训练好的识别模型，识别模型可以是和事件关系相对应的识别模型，例如，识别模型用于识别事件间是否具有因果关系，或者识别模型用于识别事件间是否具有转折关系等，也就是说识别模型基于要识别的事件关系，已经预先学习到了事件的融合向量和事件关系的对应关系，基于该识别模块，可确定第一事件和第二事件之间的事件关系。
本申请的事件之间事件关系的生成方法中，获取第一事件语句和第二事件语句，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量，根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系。本申请中基于不同粒度的词序列向量确定的事件语句的融合向量，包含较为泛化的事件的特征，从而提高了事件间事件关系确定的准确性和泛化性。
上一实施例中说明了，根据第一事件语句，生成了两种粒度的词序列向量，本申请中具体说明了两种粒度的词序列向量是如何生成的。基于上一实施例，图2为本申请实施例提供的另一种事件关系的生成方法的流程示意图。
如图2所示，上述步骤102包含以下步骤：
步骤201，对第一事件语句按照语法顺序进行事件提取以生成第一粒度词序列，并对第一粒度词序列进行向量转换以生成第一粒度词序列向量。
本申请的一个实施例中，对第一事件语句按照语法顺序进行分词处理，
得到该句子中包含的多个词语，按照多个词语在句子中的语法顺序和位置，得到包含多个词语的第一粒度词序列。
进而，将第一事件语句的第一粒度词序列和第二粒度词序列转化为对应的第一粒度词序列向量和第二粒度词序列向量，以第一粒度词序列向量为例进行说明。在本申请的一个实施例中，可以采用词向量模型Word Embedding，例如，通过word2vec模型，将第一粒度词序列中的每一个词语转化为预设维度的词向量，进而根据每一个词语的词向量累加生成第一粒度词序列向量，也就是说第一粒度词序列向量中包含的是每一个词语的词向量。
作为另一种可能的实现方式，也可以采用训练得到的深度神经网络模型，生成各词语的词向量，例如，语义表示模型（Enhanced Representation from knowledgeIntegration），而根据语义表示模型生成的词向量中可以包含词的语义信息和上下文信息，可提高后续进行事件关系确定时的准确性。
进而，根据第一粒度词序列中每个词语的词向量累加生成第一粒度词序列向量。
例如，第一事件语句为：近日某XX开始制裁某YY。
第一粒度词序列：近日，某XX，开始，制裁，某YY。
按照上述的方法对第一粒度词序列进行向量转换以生成第一粒度词序列向量，如下：
第一粒度词序列向量为：v(某XX) +v(制裁) + v(某YY)。
其中，v（词语），表示的是相应的词语对应的词向量，将各个词语的词向量相加，得到对应的第一粒度词序列向量。
步骤202，对第一事件语句按照事件论元进行事件提取以生成第二粒度词序列，并对第二粒度词序列进行向量转换以生成第二粒度词序列向量。
其中，按照事件论元抽取技术对第一事件语句抽取得到的事件论元信息，其中，事件论元信息包含：事件主体，事件触发词，事件属性等，其中，事件主体，又可以划分为施事主体和受事主体，其中，施事主体，是动词所指示的动作、行为或活动的发出者，而受事主体则是动作、行为或活动的承受者；施事属性是指施事主体是人或事物；施事数量是指施事主体的数量；受事数量是指受事主体的数量；触发词，是指使得事件发生的词。
例如，第一事件语句为：近日某XX开始制裁某YY，按照事件论元进行事件提取以生成的第二粒度词序列为：事件主体：某XX，触发词：制裁。
按照上述的方法对第二粒度词序列进行向量转换以生成第二粒度词序列向量，如下：
第二粒度词序列向量为：v(事件主体) +v(某XX) + v(触发词)+v(制裁)，其中，v（词语）表示的是相应的词语对应的词向量，将各个词语的词向量相加，得到对应的第二粒度词序列向量。
本实施例中，事件论元粒度的第二粒度词序列向量，能从事件语义上表达第一事件语句，可实现事件关系的准确确定，相比较于现有主谓宾的事件关系表示技术方案，论元粒度的第二粒度词序列向量中表达的语义更为完整，如“黄金价格上涨”基于主谓宾可能抽出的序列为“价格上涨”，而基于按照事件论元进行事件提取可得到的序列为“主体=黄金，属性=价格，触发词=上涨”。
本实施例的事件关系的生成方法中，针对第一事件语句，采用不同粒度进行事件提取和向量转化后，分别得到词语粒度的第一粒度词序列向量，以及事件论元信息粒度的第二粒度词序列向量，由于第二粒度词序列向量包含更完整以及更泛化的第一事件语句的语义表示，可以提高候选事件关系确定的准确性。
基于上述实施例，上述步骤102中，根据第二事件语句生成第三粒度词序列和第四粒度词序列，可通过以下步骤实现：
对第二事件语句按照语法顺序进行事件提取以生成第三粒度词序列，并对第三粒度词序列进行向量转换以生成第三粒度词序列向量；以及
对第二事件语句按照事件论元进行事件提取以生成第四粒度词序列，并对第四粒度词序列进行向量转换以生成第四粒度词序列向量。
具体地，可参照上一实施例中的步骤201-步骤202中的说明，原理相同，此处不再赘述。
本实施例的事件关系的生成方法中，针对第二事件语句，采用不同粒度进行事件提取和向量转化后，分别得到词语粒度的第三粒度词序列向量，以及事件论元信息粒度的第四粒度词序列向量，由于第三粒度词序列向量包含更完整以及更泛化的第二事件语句的语义表示，可以提高候选事件关系确定的准确性。
基于上述实施例，图3为本申请实施例提供的又一种事件关系的生成方法的流程示意图。
如图3所示，上述步骤103包含以下步骤：
步骤301，根据第一粒度词序列向量和第二粒度词序列向量，生成第一事件语句的特征向量。
在本申请的一个实施例中，将第一粒度词序列向量和第二粒度词序列向量进行拼接，得到第一事件语句的特征向量。
例如，第一粒度词序列向量为[1,2,3,4]，第二粒度词序列向量为[5,6,7,8,9]，则拼接后得到的第一事件语句的特征向量为[1,2,3,4,5,6,7,8,9]。
步骤302，获取事件关系图，事件关系图中包含各事件语句，以及连接不同事件语句的边，连接不同事件语句的边用于指示所连接的不同事件语句间存在的事件关系。
其中，事件关系图是预先建立的，事件关系图，构造了一种不同事件语句间关系的知识图谱，其中，通过边连接了不同事件语句，即以边的方式指示了不同事件语句间存在的事件关系，以实现后续基于该事件关系的知识图谱，在一个事件的特征向量中，聚合相邻的其它事件的特征向量，提高每个事件的特征向量中包含的信息。本实施例中以事件关系为因果关系为例进行说明。
例如，若事件语句e1和事件语句e2存在因果关系，如“近日某XX开始制裁某YY”导致“M区某材料价格飙升”，事件语句e2和事件语句e3存在因果关系，“M区某材料价格飙升”导致 “金融市场避险情绪高涨”。那么可以抽象出一个事件因果图：e1->e2->e3，如图4所示，事件因果图中的节点1代表事件语句e1，节点2代表事件语句e2，节点3代表事件语句e3和节点4代表事件语句e4，事件因果图中连接两个节点的边表示两个事件语句间有因果关系，一个节点与通过边连接的多个其他节点是该节点的邻居节点。
步骤303，根据事件关系图，确定和第一事件语句通过边连接的目标事件语句。
如图4所示，若节点1代表的是第一事件语句，和节点1通过边连接的节点为节点2和节点3，也就是说节点2对应的事件语句和节点3对应的事件语句为和第一事件语句存在事件关系的目标事件语句。
步骤304，将第一事件语句的特征向量和目标事件语句的特征向量，输入图学习模型，以得到第一事件语句的第一融合向量。
本实施例中，目标事件语句的特征向量的生成方法和第一事件语句的特征向量的生成方法原理相同，此处不再赘述。
其中，图学习模型可为图卷积神经网络（Graph ConvolutionNetwork，GCN）、GraphSage算法和图注意力网络（GraphAttentionNetwork，GAN）。考虑到计算效率以及对未知节点的泛化能力，本申请选择GraphSage模型作为图学习模型。
本实施例中，将第一事件语句的特征向量和目标事件语句的特征向量，输入图学习模型，以使得图学习模型将第一事件语句的特征向量，以及与第一事件语句存在事件关系的至少一个目标事件语句的特征进行汇聚融合，以输出第一事件语句的第一融合向量，由于存在事件关系的语句之间的特征可以用于指示这种事件关系，而通过在第一事件语句自身的特征向量中融合具有事件关系的多个其它事件语句的特性向量，使得第一事件语句的第一融合向量中包含更多以及更泛化的用于确定事件关系的特征信息。
同理，在确定第二事件语句的第二融合向量时，可以通过以下步骤确定：
根据第三粒度词序列向量和第四粒度词序列向量，生成第二事件语句的特征向量；
获取事件关系图；事件关系图中包含各事件语句，以及连接不同事件语句的边；连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；
根据事件关系图，确定和第二事件语句通过边连接的目标事件语句；
将第二事件语句的特征向量和目标事件语句的特征向量，输入图学习模型，以得到第二事件语句的第二融合向量。
具体地，第二事件语句的第二融合向量的方法，可参照上述第一事件语句的第一融合向量的生成方法，原理相同，此处不再赘述。
本实施例的事件关系的生成方法中，针对每一个事件语句，将两种不同粒度的词序列向量拼接得到相应事件语句的特征向量，基于事件关系图，将与相应事件语句存在事件关系的其它目标事件语句的特征向量进行聚合，以得到相应事件语句的融合向量，融合向量中融合了自身的特征信息以及相似的事件间的事件关系的特征，使得相应事件语句的融合向量中包含更多以及更泛化的用于确定事件关系的特征信息，提高了事件间事件关系确定的准确性。
基于上述实施例，在本实施例的一个实施例中，在确定第一事件语句的第一融合向量和第二事件语句的第二融合向量后，对第一融合向量和第二融合向量进行拼接以生成第三融合向量，以及根据第三融合向量确定事件关系。可选地，可将第一事件语句的第一融合向量和第二事件语句的第二融合向量输入全连接，在全连接层基于确定的权重，进行加权拼接，得到第三融合向量，将第三融合向量通过一个分类层，以输出一个二维向量，用于指示第一事件语句和第二事件语句之间是否具有事件关系的概率，根据概率确定第一事件语句和第二事件语句之间是否具有事件关系，实现了通过将包含较多的泛化的语义特征的第一融合向量和第二融合向量融合，以确定事件关系，提高了泛化效果和准确性。
为了实现上述实施例，本申请还提供了一种事件关系的生成装置。
图5为本申请实施例提供的一种事件之间事件关系的生成装置的结构示意图。
如图5所示，该装置包含：获取模块41、第一生成模块42、第二生成模块43和确定模块44。
获取模块41，用于获取事件对，其中，所述事件对包括第一事件语句和第二事件语句。
第一生成模块42，用于根据所述第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据所述第二事件语句生成第三粒度词序列向量和第四粒度词序列向量。
第二生成模块43，用于根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，并根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量。
确定模块44，用于根据所述第一融合向量和所述第二融合向量确定所述第一事件和所述第二事件之间的事件关系。
在本申请实施例的一种可能的实现方式中，上述第一生成模块42，具体用于：
对所述第一事件语句按照语法顺序进行事件提取以生成所述第一粒度词序列，并对所述第一粒度词序列进行向量转换以生成所述第一粒度词序列向量；以及对所述第一事件语句按照事件论元进行事件提取以生成所述第二粒度词序列，并对所述第二粒度词序列进行向量转换以生成所述第二粒度词序列向量。
在本申请实施例的一种可能的实现方式中，上述第一生成模块42，还具体用于：
对所述第二事件语句按照语法顺序进行事件提取以生成所述第三粒度词序列，并对所述第三粒度词序列进行向量转换以生成所述第三粒度词序列向量；以及对所述第二事件语句按照事件论元进行事件提取以生成所述第四粒度词序列，并对所述第四粒度词序列进行向量转换以生成所述第四粒度词序列向量。
在本申请实施例的一种可能的实现方式中，上述第二生成模块43，具体用于：
根据所述第一粒度词序列向量和所述第二粒度词序列向量，生成所述第一事件语句的特征向量；获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；根据所述事件关系图，确定和所述第一事件语句通过边连接的目标事件语句；将所述第一事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第一事件语句的第一融合向量。
在本申请实施例的一种可能的实现方式中，上述第二生成模块43，还具体用于：
根据所述第三粒度词序列向量和所述第四粒度词序列向量，生成所述第二事件语句的特征向量；获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；根据所述事件关系图，确定和所述第二事件语句通过边连接的目标事件语句；将所述第二事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第二事件语句的第二融合向量。
在本申请实施例的一种可能的实现方式中，上述确定模块44，具体用于：对所述第一融合向量和所述第二融合向量进行拼接以生成第三融合向量；以及根据所述第三融合向量确定所述事件关系。
需要说明的是，前述对事件关系的生成方法实施例的解释说明也适用于本实施例的事件关系的生成装置，原理相同，此处不再赘述。
本申请的事件关系的生成装置中，获取第一事件语句和第二事件语句，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量，根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系。本申请中基于不同粒度的词序列向量确定的事件语句的融合向量，包含较为泛化的事件的特征，从而提高了事件间事件关系确定的准确性和泛化性。
为了实现上述实施例，本申请实施例提出了一种电子设备，包：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述方法实施例所述的事件关系的生成方法。
为了实现上述实施例，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如前述方法实施例所述的事件关系的生成方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的事件关系的生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的事件关系的生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的事件关系的生成方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的事件关系的生成方法对应的程序指令/模块（例如，附图5所示的获取模块41、第一生成模块42、第二生成模块43和确定模块44）。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的事件关系的生成方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据事件关系的生成方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至事件关系的生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
事件关系的生成方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与事件关系的生成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD）、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC（专用集成电路）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，获取第一事件语句和第二事件语句，根据第一事件语句生成第一粒度词序列向量和第二粒度词序列向量，并根据第二事件语句生成第三粒度词序列向量和第四粒度词序列向量，根据第一粒度词序列向量和第二粒度词序列向量生成第一融合向量，并根据第三粒度词序列向量和第四粒度词序列向量生成第二融合向量，根据第一融合向量和第二融合向量确定第一事件和第二事件之间的事件关系。本申请中基于不同粒度的词序列向量确定的事件语句的融合向量，包含较为泛化的事件的特征，从而提高了事件关系确定的准确性和泛化性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种事件关系的生成方法，包括：
获取事件对，其中，所述事件对包括第一事件语句和第二事件语句；
对所述第一事件语句按照语法顺序进行事件提取以生成第一粒度词序列，并对所述第一粒度词序列进行向量转换以生成所述第一粒度词序列向量；以及对所述第一事件语句按照事件论元进行事件提取以生成第二粒度词序列，并对所述第二粒度词序列进行向量转换以生成所述第二粒度词序列向量，并根据所述第二事件语句生成第三粒度词序列向量和第四粒度词序列向量；
根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，并根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量；以及
根据所述第一融合向量和所述第二融合向量确定所述第一事件和所述第二事件之间的事件关系。
2.如权利要求1所述的事件关系的生成方法，其中，所述根据所述第二事件语句生成第三粒度词序列和第四粒度词序列，包括：
对所述第二事件语句按照语法顺序进行事件提取以生成所述第三粒度词序列，并对所述第三粒度词序列进行向量转换以生成所述第三粒度词序列向量；以及
对所述第二事件语句按照事件论元进行事件提取以生成所述第四粒度词序列，并对所述第四粒度词序列进行向量转换以生成所述第四粒度词序列向量。
3.如权利要求1所述的事件关系的生成方法，其中，所述根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，包括：
根据所述第一粒度词序列向量和所述第二粒度词序列向量，生成所述第一事件语句的特征向量；
获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；
根据所述事件关系图，确定和所述第一事件语句通过边连接的目标事件语句；
将所述第一事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第一事件语句的第一融合向量。
4.如权利要求1所述的事件关系的生成方法，其中，所述根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量，包括：
根据所述第三粒度词序列向量和所述第四粒度词序列向量，生成所述第二事件语句的特征向量；
获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；
根据所述事件关系图，确定和所述第二事件语句通过边连接的目标事件语句；
将所述第二事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第二事件语句的第二融合向量。
5.如权利要求1所述的事件关系的生成方法，其中，所述根据所述第一融合向量和所述第二融合向量确定所述第一事件和所述第二事件之间的事件关系，包括：
对所述第一融合向量和所述第二融合向量进行拼接以生成第三融合向量；以及
根据所述第三融合向量确定所述事件关系。
6.一种事件关系的生成装置，包括：
获取模块，用于获取事件对，其中，所述事件对包括第一事件语句和第二事件语句；
第一生成模块，用于对所述第一事件语句按照语法顺序进行事件提取以生成第一粒度词序列，并对所述第一粒度词序列进行向量转换以生成所述第一粒度词序列向量；以及对所述第一事件语句按照事件论元进行事件提取以生成第二粒度词序列，并对所述第二粒度词序列进行向量转换以生成所述第二粒度词序列向量，并根据所述第二事件语句生成第三粒度词序列向量和第四粒度词序列向量；
第二生成模块，用于根据所述第一粒度词序列向量和所述第二粒度词序列向量生成第一融合向量，并根据所述第三粒度词序列向量和所述第四粒度词序列向量生成第二融合向量；
确定模块，用于根据所述第一融合向量和所述第二融合向量确定所述第一事件和所述第二事件之间的事件关系。
7.如权利要求6所述的事件关系的生成装置，其中，所述第一生成模块，还用于：
对所述第二事件语句按照语法顺序进行事件提取以生成所述第三粒度词序列，并对所述第三粒度词序列进行向量转换以生成所述第三粒度词序列向量；以及
对所述第二事件语句按照事件论元进行事件提取以生成所述第四粒度词序列，并对所述第四粒度词序列进行向量转换以生成所述第四粒度词序列向量。
8.如权利要求6所述的事件关系的生成装置，其中，所述第二生成模块，具体用于：
根据所述第一粒度词序列向量和所述第二粒度词序列向量，生成所述第一事件语句的特征向量；
获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；
根据所述事件关系图，确定和所述第一事件语句通过边连接的目标事件语句；
将所述第一事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第一事件语句的第一融合向量。
9.如权利要求6所述的事件关系的生成装置，其中，所述第二生成模块，具体还用于：
根据所述第三粒度词序列向量和所述第四粒度词序列向量，生成所述第二事件语句的特征向量；
获取事件关系图；所述事件关系图中包含各事件语句，以及连接不同事件语句的边；所述连接不同事件语句的边用于指示所连接的不同事件语句间存在事件关系；
根据所述事件关系图，确定和所述第二事件语句通过边连接的目标事件语句；
将所述第二事件语句的特征向量和所述目标事件语句的特征向量，输入图学习模型，以得到所述第二事件语句的第二融合向量。
10.如权利要求6所述的事件关系的生成装置，其中，所述确定模块，用于：
对所述第一融合向量和所述第二融合向量进行拼接以生成第三融合向量；以及
根据所述第三融合向量确定所述事件关系。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的事件关系的生成方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的事件关系的生成方法。
CN202010616899.5A 2020-06-30 2020-06-30 事件关系的生成方法、装置、电子设备和存储介质 Active CN111967256B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010616899.5A CN111967256B (zh) 2020-06-30 2020-06-30 事件关系的生成方法、装置、电子设备和存储介质
US17/105,707 US11573992B2 (en) 2020-06-30 2020-11-27 Method, electronic device, and storage medium for generating relationship of events
EP20211583.8A EP3933659A1 (en) 2020-06-30 2020-12-03 Method and apparatus for generating relationship of events, electronic device, and storage medium
KR1020200182992A KR20220002050A (ko) 2020-06-30 2020-12-24 이벤트 관계의 생성 방법, 장치, 전자 기기 및 저장 매체
JP2020217633A JP7264866B2 (ja) 2020-06-30 2020-12-25 イベント関係の生成方法、装置、電子機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616899.5A CN111967256B (zh) 2020-06-30 2020-06-30 事件关系的生成方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111967256A CN111967256A (zh) 2020-11-20
CN111967256B true CN111967256B (zh) 2023-08-04

Family

ID=73361113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616899.5A Active CN111967256B (zh) 2020-06-30 2020-06-30 事件关系的生成方法、装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US11573992B2 (zh)
EP (1) EP3933659A1 (zh)
JP (1) JP7264866B2 (zh)
KR (1) KR20220002050A (zh)
CN (1) CN111967256B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562808B (zh) * 2020-12-11 2024-01-19 北京百度网讯科技有限公司 患者画像的生成方法、装置、电子设备及存储介质
US11544122B2 (en) * 2020-12-29 2023-01-03 Atlassian Pty Ltd. Systems and methods for identifying similar electronic content items
CN113761337B (zh) * 2020-12-31 2023-10-27 国家计算机网络与信息安全管理中心 基于事件隐式要素与显式联系的事件预测方法和装置
CN112819164A (zh) * 2021-02-02 2021-05-18 京东数科海益信息科技有限公司 事理图谱的推理方法、装置及计算机设备
CN113312490B (zh) * 2021-04-28 2023-04-18 乐山师范学院 一种针对突发事件的事件知识图谱构建方法
CN113254628A (zh) * 2021-05-18 2021-08-13 北京中科智加科技有限公司 事件关系的确定方法和装置
CN114936559B (zh) * 2022-01-05 2023-04-07 华能贵诚信托有限公司 一种基于多模型融合的多级事件抽取方法和抽取系统
CN114860886B (zh) * 2022-05-25 2023-07-18 北京百度网讯科技有限公司 生成关系图的方法和确定匹配关系的方法、装置
CN117094397B (zh) * 2023-10-19 2024-02-06 北京大数据先进技术研究院 一种基于短论元的细粒度事件信息抽取方法、装置和产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017149559A1 (en) * 2016-02-29 2017-09-08 Nec Corporation An information processing system, an information processing method and a computer readable storage medium
CN109726293A (zh) * 2018-11-14 2019-05-07 数据地平线（广州）科技有限公司 一种因果事件图谱构建方法、系统、装置及存储介质
CN110209807A (zh) * 2018-07-03 2019-09-06 腾讯科技（深圳）有限公司 一种事件识别的方法、模型训练的方法、设备及存储介质
CN110597994A (zh) * 2019-09-17 2019-12-20 北京百度网讯科技有限公司 事件元素识别方法和装置
CN111143576A (zh) * 2019-12-18 2020-05-12 中科院计算技术研究所大数据研究院 一种面向事件的动态知识图谱构建方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6291443B2 (ja) 2015-03-12 2018-03-14 日本電信電話株式会社 接続関係推定装置、方法、及びプログラム
US11042796B2 (en) * 2016-11-03 2021-06-22 Salesforce.Com, Inc. Training a joint many-task neural network model using successive regularization
CN107783960B (zh) * 2017-10-23 2021-07-23 百度在线网络技术（北京）有限公司 用于抽取信息的方法、装置和设备
CN111160027A (zh) 2019-12-23 2020-05-15 杭州电子科技大学 基于语义注意力的循环神经网络事件时序关系识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017149559A1 (en) * 2016-02-29 2017-09-08 Nec Corporation An information processing system, an information processing method and a computer readable storage medium
CN110209807A (zh) * 2018-07-03 2019-09-06 腾讯科技（深圳）有限公司 一种事件识别的方法、模型训练的方法、设备及存储介质
CN109726293A (zh) * 2018-11-14 2019-05-07 数据地平线（广州）科技有限公司 一种因果事件图谱构建方法、系统、装置及存储介质
CN110597994A (zh) * 2019-09-17 2019-12-20 北京百度网讯科技有限公司 事件元素识别方法和装置
CN111143576A (zh) * 2019-12-18 2020-05-12 中科院计算技术研究所大数据研究院 一种面向事件的动态知识图谱构建方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Event Relationship Analysis for Temporal Event Search;CAI YI等;《Database Systems for Advanced Applications.18th International Conference》;全文 *

Also Published As

Publication number Publication date
US11573992B2 (en) 2023-02-07
EP3933659A1 (en) 2022-01-05
KR20220002050A (ko) 2022-01-06
JP2022013600A (ja) 2022-01-18
CN111967256A (zh) 2020-11-20
US20210406295A1 (en) 2021-12-30
JP7264866B2 (ja) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111967256B (zh) 事件关系的生成方法、装置、电子设备和存储介质
JP7127106B2 (ja) 質問応答処理、言語モデルの訓練方法、装置、機器および記憶媒体
JP7223785B2 (ja) 時系列ナレッジグラフ生成方法、装置、デバイス及び媒体
CN111221984B (zh) 多模态内容处理方法、装置、设备及存储介质
JP7481251B2 (ja) テキスト中のイベント抽出方法、装置、電子機器及び記憶媒体
CN111737994B (zh) 基于语言模型获取词向量的方法、装置、设备及存储介质
CN112560479B (zh) 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
CN111488740B (zh) 一种因果关系的判别方法、装置、电子设备及存储介质
JP2022018095A (ja) マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体
JP7269913B2 (ja) ナレッジグラフ構築方法、装置、電子機器、記憶媒体およびコンピュータプログラム
CN111259671B (zh) 文本实体的语义描述处理方法、装置及设备
CN111144108B (zh) 情感倾向性分析模型的建模方法、装置和电子设备
KR102573637B1 (ko) 엔티티 링킹 방법, 장치, 전자 기기 및 기록 매체
CN111667056B (zh) 用于搜索模型结构的方法和装置
US20210397791A1 (en) Language model training method, apparatus, electronic device and readable storage medium
CN111078878B (zh) 文本处理方法、装置、设备及计算机可读存储介质
CN111079442A (zh) 文档的向量化表示方法、装置和计算机设备
CN114970522B (zh) 语言模型的预训练方法、装置、设备、存储介质
JP2021111334A (ja) 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器
CN111127191B (zh) 风险评估方法及装置
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN111858880B (zh) 获取查询结果的方法、装置、电子设备和可读存储介质
CN112163405A (zh) 问题的生成方法和装置
CN111125445B (zh) 社区主题生成方法、装置、电子设备及存储介质
CN112329429B (zh) 文本相似度学习方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant